AI 大模型
视频理解、视频生成、视频语言模型和时序视觉推理。
DCDM：分而治之扩散模型用于保持一致性视频生成
机构 * Fudan University（复旦大学） ； Tencent（腾讯）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 DCDM通过分而治之的扩散模型，解决视频生成中的语义、几何和身份一致性问题，提升视频生成的连贯性和可控性。
Comments 7 pages, 2 figures
面向视图自适应的人体视频生成的3D感知隐式运动控制
机构 * Kling Team, Kuaishou Technology（快手科技 Kling 团队） ； Tsinghua University（清华大学） ； CASIA
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 3DiMo通过隐式运动表示和视图丰富监督，提升视频生成中的人体运动保真度和视觉质量。
Comments Project Page: https://hjrphoebus.github.io/3DiMo/
DreamID-Omni: 一体化框架用于可控的人-centric音频视频生成
机构 * Tsinghua University（清华大学） ； Intelligent Creation Lab, ByteDance（字节跳动智能创作实验室）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 DreamID-Omni提出了一种统一框架，通过双层解耦策略和多任务训练方案，实现对可控人-centric音频视频生成的高效控制。
Comments Project: https://guoxu1233.github.io/DreamID-Omni/
ConsisDrive: 用于视频生成的实例掩码驾驶世界模型
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 ConsisDrive通过实例掩码注意力和损失机制提升驾驶视频生成质量及自动驾驶性能。
LSA：局部语义对齐用于增强交通视频生成中的时间一致性
机构 * Mercedes-Benz AG（梅赛德斯-奔驰集团） ； ETH Zurich（苏黎世联邦理工学院） ； Friedrich-Alexander University Erlangen-Nuremberg（埃朗根-纽伦堡弗里德里希-亚历山大大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 LSA通过局部语义对齐提升交通视频生成的时间一致性，无需外部控制信号。
Comments Accepted to IEEE IV 2026. 8 pages, 3 figures. Code available at https://github.com/mirlanium/LSA
稀疏视频生成推动现实世界超越视界视觉语言导航
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 本文提出SparseVideoNav，通过稀疏视频生成实现现实世界超越视界导航，显著提升导航效率和成功率。
SAVGBench: 多模态空间对齐音频视频生成基准测试
机构 * Sony AI（索尼人工智能） ； Sony Group Corporation（索尼集团）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.MM
AI总结 SAVGBench提出了一种新的基准测试方法，用于评估空间对齐音频视频生成任务的性能，通过引入专门的数据集和对齐度量标准，评估不同生成模型的对齐效果。
Comments 5 pages, 2 figures, accepted for publication in IEEE ICASSP 2026
BridgeV2W: 通过具身遮罩将视频生成模型与具身世界模型 bridging
机构 * New Laboratory of Pattern Recognition (NLPR), Institute of Automation, Chinese Academy of Sciences（模式识别新实验室（NLPR），自动化研究所，中国科学院） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（人工智能学院，中国科学院大学） ； Shandong University（山东大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 BridgeV2W 通过具身遮罩将视频生成模型与具身世界模型结合，解决坐标空间动作与像素空间视频的不匹配问题，并提升视频生成质量与跨具身统一性。
InstaDrive: 为真实和一致的视频生成实例感知的驾驶世界模型
机构 * University of Science and Technology of China（中国科学技术大学） ； SenseAuto（感etime） ； Tsinghua University（清华大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 InstaDrive通过实例感知机制提升驾驶视频生成质量，增强自动驾驶任务性能。
GPD: 用于快速高质量视频生成的引导渐进蒸馏
机构 * College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 GPD通过引导渐进蒸馏方法，减少视频生成的采样步骤，同时保持高质量输出。
熵引导的k-guard采样用于长 Horizon 自回归视频生成
机构 * Nanjing University（南京大学） ； Horizon Robotics ； China Mobile（中国移动）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 熵引导的k-guard采样用于长Horizon自回归视频生成，通过自适应调整令牌候选集大小以提升视频生成的质量和稳定性。
身份保持的多人类视频生成优化：通过强化学习进行优化
机构 * Alibaba Group（阿里巴巴集团） ； Fudan University（复旦大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 Identity-GRPO通过强化学习优化多人类身份保持的视频生成，显著提升一致性指标。
Comments Our project and code are available at https://ali-videoai.github.io/identity_page, https://github.com/alibaba/identity-grpo
生成回忆，密集重排序：学习多视图语义ID以实现高效的文本到视频检索
机构 * The University of Queensland（昆士兰大学） ； The University of Southern Queensland（南部昆士兰大学）
专题命中 视频生成 ：text-to-video(title,abstract)；分类 cs.CV
AI总结 GRDR通过生成回忆和密集重排序方法，提升文本到视频检索的效率和准确性，减少存储并加速检索过程。
Comments 10 pages
MV-S2V：多视图主体一致视频生成
机构 * The Hong Kong Polytechnic University（香港理工大学） ； The University of Texas at Austin（德克萨斯大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Georgia Institute of Technology（佐治亚理工学院）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 本文提出MV-S2V方法，通过多视角参考生成一致的3D主体视频，解决单视角限制并提升视频生成质量。
Comments 13 pages, 9 figures
LLMPopcorn：探索大型语言模型作为流行微视频生成助手
机构 * University of Glasgow（格拉斯哥大学） ； Shandong University（山东大学） ； Amazon（亚马逊） ； Telefónica Research（Telefónica研究院） ； National University of Singapore（新加坡国立大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 LLMPopcorn利用大型语言模型生成流行微视频，通过实验证明先进LLM可生成高流行度内容，并优化生成效果。
Comments Accepted by ICASSP2026
视频生成作为世界模型的机制视角：状态与动态
机构 * Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州）） ； Tongji University（同济大学） ； Kuaishou Technology（快手科技）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 本文提出基于状态构建和动态建模的视频生成新分类法，旨在提升视频生成模型的物理持续性和因果推理能力。
LoL: 长于更长，将视频生成扩展至小时级
机构 * University of Central Florida（中央佛罗里达大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 LoL提出一种无需训练的方法，通过多头RoPE抖动缓解视频生成中的sink-collapse问题，实现长时长、高质量的流式视频生成。
Comments preprint
重新思考具身世界的视频生成模型
机构 * Peking University（北京大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 本文提出Rbench机器人视频生成基准和RoVid-X数据集，旨在解决高保真机器人视频生成中的数据短缺问题，推动具身AI发展。
Comments Github: https://github.com/DAGroup-PKU/ReVidgen/ Project website: https://dagroup-pku.github.io/ReVidgen.github.io/
StableWorld: 向稳定和一致的长交互视频生成迈进
机构 * PRLab, NJU（南京大学PRLab） ； HKU（香港大学） ； UCAS（中国科学技术大学） ； WeChat, Tencent Inc.（腾讯公司） ； NTU（国立清华大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 StableWorld通过动态帧淘汰机制提升长交互视频生成的稳定性和时间一致性，适用于多种生成框架。
Comments 17 pages, 21 figures,
未来光流预测改进机器人控制与视频生成
机构 * Salesforce AI Research（Salesforce AI研究院） ； Stony Brook University（石溪大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 FOFPred通过统一的视觉-语言模型和扩散架构，实现高效的未来光流预测，提升机器人控制与视频生成的性能。
Comments Project Site (Code, Models, Demo): https://fofpred.github.io
FlowAct-R1: 向交互式人形视频生成迈进
机构 * ByteDance Intelligent Creation（字节跳动智能创作）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 FlowAct-R1通过分块扩散策略和高效优化，实现了实时交互式人形视频生成，具备高保真和低延迟的视频合成能力。
通过稀疏扩散和3D渲染实现静态场景的高效摄像机控制视频生成
机构 * University of Cambridge（剑桥大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 本文提出SRENDER方法，通过稀疏扩散和3D渲染生成静态场景的高效视频，使视频生成速度提升40倍，保持高质量和稳定性。
Comments Project page: https://ayushtewari.com/projects/srender/
VideoAR: 通过下一帧与尺度预测实现自回归视频生成
机构 * ERNIE Team, Baidu（百度ERNIE团队）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 VideoAR通过多尺度下一帧预测与自回归建模，实现高效、一致的视频生成，提升性能并减少计算成本。
Comments Project page: https://ernie-research.github.io/VideoAR/
PhyRPR: 无训练物理约束视频生成
机构 * State Key Lab of CAD\&CG, Zhejiang University（CAD与CG国家重点实验室，浙江大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 PhyRPR提出一种无训练的三阶段视频生成方法，通过解耦物理理解和视觉合成，提升生成视频的物理合理性和运动可控性。
视频生成模型是良好的潜在奖励模型
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Tencent Hunyuan（腾讯文元） ； Huazhong University of Science and Technology（华中科技大学） ； Peking University（北京大学） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学） ； Nanjing University（南京大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 本文提出PRFL框架，利用预训练视频生成模型在噪声潜在空间中进行奖励建模，实现高效去噪和降低训练成本。
光场视频生成
机构 * NVIDIA ； The Chinese University of Hong Kong（香港中文大学） ； Georgia Institute of Technology（佐治亚理工学院）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 PlenopticDreamer通过多输入单输出视频条件模型和相机引导检索策略，实现高质量多视角视频重绘，提升时空一致性和视角转换能力。
Comments Project Page: https://research.nvidia.com/labs/dir/plenopticdreamer/
PackCache: 一种无需训练的统一自回归视频生成加速方法通过紧凑的KV缓存
机构 * Institute of Artificial Intelligence, University of Central Florida（人工智能学院，中央佛罗里达大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 PackCache通过动态压缩KV缓存提升统一自回归视频生成效率，显著加速长序列生成。
PhysVideoGenerator: 通过潜在物理引导实现物理感知的视频生成
机构 * Center for Data Science New York University（数据科学中心 新 York 大学） ； Department of Computer Science New York University（计算机科学系 新 York 大学）
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 PhysVideoGenerator通过在视频生成过程中引入可学习的物理先验，实现物理感知的视频生成，展示了联合训练范式的可行性。
Comments 9 pages, 2 figures, project page: https://github.com/CVFall2025-Project/PhysVideoGenerator
Dream2Flow: 通过3D物体流连接视频生成与开放世界操控
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 Dream2Flow通过3D物体流连接视频生成与开放世界操控，实现零样本操控不同类别的物体。
Comments Project website: https://dream2flow.github.io/
MoFu: 多主体视频生成的尺度感知调制与傅里叶融合
专题命中 视频生成 ：video generation(title,abstract)；分类 cs.CV
AI总结 MoFu通过尺度感知调制和傅里叶融合解决多主体视频生成中的尺度不一致和排列敏感性问题，提升生成质量。
Comments AAAI 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈